【代码】黑马大模型RAG与Agent智能体实战教程LangChain提示词——16、RAG开发——模板类format()和invoke()方法（所有模板类都继承了Runnable类，拥有这两个方法）

"""FewShot 提示词模板（FewShotPromptTemplate）用法示例本示例演示如何使用 LangChain 的 FewShotPromptTemplate 来构建少样本学习（Few-Shot Learning）提示词。FewShotPromptTemplate 的核心参数：- examples: 示例数据，list，内套字典（每个字典代表一个示例）- example_prompt

"""通用提示词模板（PromptTemplate）用法示例本示例对应课件中的两段代码：1）标准写法（先生成提示词文本，再喂给模型）："我的邻居姓{lastname}，刚生了{gender}，帮忙起名字，请简略回答。

"""使用 LangChain 访问阿里云通义大模型（Tongyi）示例本示例对应课件中的代码片段：res = llm.invoke("帮我讲个笑话吧")print(res)在此基础上，我们做了以下增强：- 使用 .env / 环境变量中读取 API Key- 演示多轮调用与不同提示词- 对返回结果增加简单的格式化输出"""import os"""初始化 Tongyi LLM 模型实例。

"""LangChain 嵌入模型（Embeddings）调用示例本示例演示如何在 LangChain 中使用阿里云 DashScope 的嵌入模型：- 使用 `DashScopeEmbeddings` 创建嵌入模型实例- 调用 `embed_query()` 对单条文本生成向量- 调用 `embed_documents()` 对多条文本批量生成向量核心概念：- Embedding（向量化）：将一

Runnable 不仅是 LangChain 的技术抽象，更是一种设计哲学“让每个组件专注单一职责，并通过标准接口无缝协作”掌握 Runnable，意味着你真正拥有了构建健壮、可观测、易维护的 LLM 应用的能力。下次当你设计 LangChain 应用时，不妨自问：✨“这个环节能否封装为 Runnable？能否用组合得更优雅？✨。

"""使用 LangChain 调用通义聊天模型（ChatTongyi）示例本示例演示如何使用 LangChain 的 ChatTongyi 进行多轮对话，包括：- SystemMessage：设置系统角色- HumanMessage：用户消息- AIMessage：AI 回复消息- 流式输出：实时显示模型生成的内容核心概念：- ChatTongyi：聊天模型，与 Tongyi LLM 不同，专门

https://www.bilibili.com/video/BV1yjz5BLEoYhttps://hzh.sealos.run/运行代码结果：

"""余弦相似度算法介绍与实现余弦相似度（Cosine Similarity）是一种常用的相似度度量方法，广泛应用于：- 文本相似度计算- 推荐系统- 信息检索- 向量空间模型- RAG（检索增强生成）中的文档检索原理：余弦相似度通过计算两个向量的夹角余弦值来衡量它们的相似程度。公式：cos(θ) = (A · B) / (||A|| × ||B||)其中：- A · B 表示向量A和B的点积-

https://www.bilibili.com/video/BV1yjz5BLEoYhttps://hzh.sealos.run/ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ        ‌‍ᅟᅠ